基于多部位联合的行人检测方法研究
| 摘要 | 第4-5页 |
| ABSTRACT | 第5-6页 |
| 第一章 绪论 | 第11-17页 |
| 1.1 研究背景及意义 | 第11-12页 |
| 1.2 国内外研究现状 | 第12-15页 |
| 1.3 论文的研究内容 | 第15页 |
| 1.4 论文的组织结构 | 第15-17页 |
| 第二章 行人检测关键技术 | 第17-28页 |
| 2.1 引言 | 第17页 |
| 2.2 经典的行人特征 | 第17-22页 |
| 2.3 分类算法 | 第22-27页 |
| 2.3.1 K最近邻算法 | 第22页 |
| 2.3.2 支持向量机 | 第22-24页 |
| 2.3.3 决策树 | 第24-25页 |
| 2.3.4 Adaboost算法 | 第25-27页 |
| 2.4 本章小结 | 第27-28页 |
| 第三章 基于HOG与LBP的行人检测 | 第28-40页 |
| 3.1 引言 | 第28页 |
| 3.2 基于HOG与SVM的行人检测 | 第28-34页 |
| 3.2.1 HOG特征 | 第28-30页 |
| 3.2.2 主成分分析 | 第30-31页 |
| 3.2.3 滑动窗口检测 | 第31-34页 |
| 3.3 基于LBP与四元数的行人检测 | 第34-39页 |
| 3.3.1 LBP特征 | 第34-35页 |
| 3.3.2 四元数 | 第35-39页 |
| 3.4 本章小节 | 第39-40页 |
| 第四章 基于多部位联合的行人检测 | 第40-53页 |
| 4.1 引言 | 第40页 |
| 4.2 基于多示例的部位分类器 | 第40-44页 |
| 4.2.1 多示例学习算法 | 第40-42页 |
| 4.2.2 多部位的多示例学习 | 第42-44页 |
| 4.3 基于贝叶斯的联合概率模型 | 第44-48页 |
| 4.3.1 贝叶斯网络 | 第44-46页 |
| 4.3.2 多部位联合模型 | 第46-48页 |
| 4.4 实验设计与分析 | 第48-52页 |
| 4.5 本章小结 | 第52-53页 |
| 总结与展望 | 第53-54页 |
| 参考文献 | 第54-59页 |
| 攻读学位期间发表的论文 | 第59-61页 |
| 致谢 | 第61页 |
